HotPig — поведенческий набор данных о свиньях, испытывающих тепловой стресс

Интенсификация животноводства и глобальное изменение климата ставят новые задачи перед исследователями в области благополучия животных. Широкое внедрение систем видеонаблюдения в закрытых свиноводческих комплексах в сочетании с доступностью мощных алгоритмов компьютерного зрения открывает эру непрерывного автоматизированного мониторинга поведения. Понимание того, как именно свиньи реагируют на длительный тепловой стресс, является критически важным для оценки их благополучия и понимания механизмов терморегуляции. В данной статье представлен набор данных, полученный в ходе круглосуточного видеомониторинга 24 молодых хряков в контрастных температурных условиях: термонейтральном (22°C) и тепловом стрессе (32°C). Обработка видеопотока осуществлялась с помощью нейросетевой модели YOLOv11, настроенной на распознавание ключевых поведенческих паттернов: позы животных (лежит, сидит, стоит), кормовое поведение, питье, локомоцию и социальные взаимодействия (проявление любопытства к сородичам и тактильный контакт). В течение 16 дней велась непрерывная запись с минутной дискретизацией, где каждая минута соответствовала 150 обработанным кадрам. Полученные временные ряды верифицировались данными автоматических кормушек. Этот обширный набор данных позволяет проводить количественный анализ индивидуальных различий и динамики адаптации свиней к тепловому стрессу, а также может служить основой для обучения моделей машинного обучения с целью прогнозирования поведения.

Введение

Современное свиноводство сталкивается с двойным вызовом: необходимостью повышения продуктивности и обеспечения высоких стандартов благополучия животных. Одним из наиболее стрессогенных факторов, особенно в условиях прогнозируемого глобального потепления, является гипертермия. Тепловой стресс негативно сказывается на физиологическом состоянии, потреблении корма, скорости роста и иммунитете животных. Однако, прежде чем эти показатели изменятся, животное начинает менять свое поведение, пытаясь компенсировать дискомфорт и увеличить теплоотдачу.

Поведение является ранним индикатором состояния животного. Традиционные методы наблюдения трудоемки, субъективны и не позволяют вести непрерывный мониторинг. Внедрение систем видеонаблюдения в закрытых комплексах создало предпосылки для сбора больших массивов данных, но их анализ долгое время оставался узким местом. Ситуация изменилась с развитием доступных и эффективных алгоритмов компьютерного зрения, таких как архитектура YOLO (You Only Look Once).

Использование сверточных нейронных сетей (CNN) позволяет автоматически распознавать и классифицировать поведенческие акты животных в режиме реального времени. Понимание того, как свиньи используют различные механизмы поведения для терморегуляции (поиск воды, изменение позы, снижение социальной активности), является ключом к разработке систем раннего предупреждения о дискомфорте. Целью данной работы было создание верифицированного набора данных, который позволяет количественно оценить изменения в поведенческом бюджете свиней при переходе от термонейтральных условий к длительному тепловому стрессу, используя современные методы глубокого обучения.

Методология эксперимента и сбора данных

Этическая нота и условия содержания

Эксперимент являлся частью масштабной исследовательской программы WAIT4 (ANR-22-PEAE-0008), посвященной цифровым технологиям в агроэкологии. Исследование проводилось на базе экспериментального центра INRAE (UE3P, Сен-Жиль, Бретань, Франция). Целью программы было изучение синхронизации метаболических и поведенческих реакций свиней на аномальную жару.

В эксперименте использовались 24 кроссбредных самца ((Large White × Landrace) × Piétrain). Животные были разделены на две группы по 12 голов, испытания проводились последовательно с 30 сентября по 16 октября и с 14 по 30 октября 2024 года. На момент начала эксперимента свиньи достигли массы тела 50 кг (возраст около 100 дней) после недельного периода адаптации к условиям содержания и рациону.

Ключевой особенностью эксперимента являлось индивидуальное содержание животных. Это было продиктовано необходимостью установки центральных венозных катетеров половине подопытных свиней для регулярного забора крови и анализа гликемической реакции на прием пищи. Индивидуальные загоны размером 0,94 × 1,995 м имели металлические решетчатые стенки. Такая конструкция позволяла свиньям поддерживать социальный контакт с соседями (однопометниками) с помощью визуальных, обонятельных и слуховых сигналов, частично компенсируя изоляцию. Для обогащения среды в каждом загоне присутствовали игрушки: цепочка и предмет с выступающими резиновыми ножками.

Температурный протокол

Помещение было оборудовано принудительной вентиляцией, позволяющей поддерживать заданную температуру. Экспериментальный период длился 16 суток и включал несколько фаз. Первые 9 дней температура поддерживалась на уровне 22°C, что соответствует термонейтральной зоне (ТН) для данной возрастной группы. На 10-й день, начиная с 9:00 утра, запускался переходный период: температура повышалась на 2°C в час в течение 5 часов до достижения 32°C. В последующие 6 дней поддерживался режим теплового стресса (ТС) с постоянной температурой 32°C. В последние сутки температура была снижена обратно до 22°C. Относительная влажность в течение всего эксперимента составляла в среднем 60% и фиксировалась датчиками LoRaWAN, установленными на высоте 1,8 м.

Кормление и поение

Животные имели неограниченный доступ к воде через ниппельные поилки. Кормление осуществлялось с помощью автоматических кормушек собственного производства, изготовленных из нержавеющей стали. Кормушки программировались на выдачу гранулированного корма четыре раза в сутки. Автоматические дозаторы, оснащенные весовыми датчиками, фиксировали количество потребленного корма (в граммах) в периоды между открытиями крышки бункера, что позволяло верифицировать данные видеонаблюдения. В дни проведения тестовых кормлений режим подачи корма корректировался для взятия проб крови.

Оборудование для видеосъемки

Для видеомониторинга использовались шесть цилиндрических IP-камер Hikvision DS-2CD2625FWD-IES с разрешением 2 Мп, оснащенных ИК-подсветкой для съемки в темное время суток. Камеры монтировались на крыше загонов таким образом, что одна камера одновременно фиксировала поведение двух соседних животных. Все камеры подключались к сетевому видеорегистратору Hikvision AcuSense серии DS-76000.

Непрерывная запись велась на протяжении всех 16 дней. Общий объем полученных данных составил более 4 ТБ (4608 часов видео, разбитых на файлы по 2 ГБ). Технической потерей следует считать около 19 часов видеозаписей (0,4% от общего объема) во время второй фазы эксперимента, которые оказались повреждены и утеряны.

Обработка данных и архитектура нейросети YOLOv11

Выбор архитектуры и принцип работы

Для анализа видеопотока была выбрана архитектура YOLO (You Only Look Once) версии 11 с открытым исходным кодом от Ultralytics. Ключевым преимуществом YOLO является одностадийный анализ изображения: нейросеть просматривает изображение один раз, чтобы одновременно предсказать ограничивающие рамки (bounding boxes) и классы объектов, находящихся внутри них. Это обеспечивает высокую скорость работы, необходимую для обработки больших объемов видеоданных.

Базовая модель была предварительно обучена на обширных наборах изображений, однако для решения специфической задачи распознавания поведения свиней потребовалась процедура тонкой настройки (fine-tuning).

Создание обучающей выборки

Для тонкой настройки модели был вручную размечен 813 кадров, извлеченных из видеозаписей. Отбор кадров производился в два этапа, чтобы обеспечить максимальную репрезентативность выборки:

1. Покрытие условий съемки: Были отобраны кадры при различном освещении: дневной свет, искусственное освещение и ночная инфракрасная съемка (в итоговой выборке 652 цветных и 161 инфракрасное изображение).

2. Балансировка классов: Целенаправленно отбирались кадры, на которых представлены редкие события и позы, чтобы модель научилась распознавать их с достаточной точностью (целевой порог ошибки менее 0,5%).

В итоге на изображениях было размечено 1842 экземпляра объектов, которые были разделены на две категории:

Позы (состояния тела):

- Лежа (на животе или боку) — 784 примера.

- Сидя — 328 примеров.

- Стоя — 334 примера.

- Готовность к кормлению (животное находится у кормушки, расположенной в верхней части кадра) — 173 примера.

События (взаимодействия):

- Проявление любопытства (животное просовывает голову в окно между загонами) — 29 примеров.

- Тактильный контакт («обнимашки» — контакт мордами через решетку) — 50 примеров.

- Питье — 144 примера.

Процесс тонкой настройки на рабочей станции с GPU Nvidia RTX4060 занял менее 30 минут (80 эпох) и позволил достичь показателей точности и полноты (precision и recall) выше 0,995.

Обработка видеопотока и извлечение признаков

Доработанная модель YOLOv11 использовалась для покадрового анализа всех видеозаписей. Частота обработки составила 2,5 кадра в секунду, что соответствует 150 кадрам за одну минуту реального времени. Для каждого кадра модель возвращала список обнаруженных объектов, их классов и координат ограничивающих рамок с соответствующим уровнем уверенности.

Для каждой минуты наблюдения подсчитывалось суммарное количество кадров, на которых была зафиксирована та или иная поза или событие. Результаты агрегировались, и на их основе формировались бинарные поведенческие индикаторы (0 или 1) с использованием пороговых значений для сглаживания шума:

- «Ест»: присваивалось значение 1, если в течение минуты было зафиксировано не менее 5 кадров (эквивалентно ~2 секундам) с позой «готовность к кормлению».

- «Пьет»: значение 1 при обнаружении не менее 5 кадров с событием «питье».

- «Контакт»: значение 1 при обнаружении не менее 5 кадров с событием «обнимашки».

- «Бездействие»: значение 1, если более 145 кадров из 150 (более 58 секунд) соответствовали позе «лежа».

Поскольку индикаторы «ест», «пьет» и «контакт» не являются взаимоисключающими (животное может пить и стоять), для случаев, требующих единой метки активности, вводился столбец «Состояние». Он присваивался на основе максимального количества кадров для одного из классов: «бездействие», «активное» (состояние по умолчанию), «прием пищи», «питье» или «социальный контакт».

Верификация и контроль качества данных

Для обеспечения достоверности итогового набора данных была проведена многоступенчатая проверка качества:

1. Визуальный контроль: Прогнозы модели накладывались на 12 часов видео, не использовавшихся в обучении. Анализ выявил два основных типа ошибок: сложность различения поз (стоя, сидя, лежа на животе) при съемке строго сверху, а также ложное срабатывание детектора «любопытства», когда свиньи играли с решеткой окна. Для минимизации влияния этих ошибок и были введены пороговые значения при подсчете минутных индикаторов.

2. Сверка с данными кормушек: Данные видеонаблюдения сравнивались с показаниями автоматических кормушек. Из 4154 задокументированных эпизодов кормления только 47 не были подтверждены видеоанализом. Из них 17 случаев были вызваны ошибками синхронизации времени и техническими сбоями системы подачи корма или сменой часового пояса, и эти данные были скорректированы. Еще 29 случаев пришлись на поврежденные видеофайлы (в записях для свиней №15, 16, 19, 20), и в соответствующих таблицах эти минуты были помечены как пропущенные значения (NA).

3. Проверка внутренней согласованности: Был проведен анализ логической непротиворечивости прогнозов. Предполагалось, что пьющие свиньи не могут лежать. Проверка показала, что менее чем в 2% случаев событие «питье» регистрировалось одновременно с преобладанием позы «лежа». Просмотр видео подтвердил, что в этих редких случаях животные действительно лежали, дотягиваясь до ниппельной поилки. Это позволяет в дальнейшем применять дополнительные логические фильтры для очистки данных.

Структура и ценность итогового набора данных

Итоговый набор данных представляет собой уникальный ресурс для исследователей в области этологии, зоотехнии и машинного обучения.

Набор данных, доступный в открытом репозитории Zenodo, включает следующие компоненты:

- Обучающая выборка: Архив с изображениями в формате JPEG и соответствующими файлами аннотаций в текстовом формате YOLO (файлы .txt, содержащие координаты ограничивающих рамок и классы объектов).

- Обученная модель: Файл с весами нейросети, который можно использовать для воспроизведения результатов или дообучения на новых данных.

- Демонстрационный видеоролик: Пример работы модели с визуализацией прогнозов.

- Временные ряды: Набор из 24 CSV-файлов (по одному на каждую свинью). Каждый файл содержит временной ряд с минутным разрешением за все 16 дней эксперимента (23 040 временных меток).

Описание временных рядов

Каждая строка CSV-файла содержит детальную информацию о поведении животного за конкретную минуту:

- Дата и время: Метка времени.

- Период (день/ночь): Разделение для анализа циркадных ритмов.

- Условие (ТН/ТС): Температурный режим в данную минуту.

- Потребление корма: Данные с автоматической кормушки (в граммах), равномерно распределенные по минутам между приемами пищи.

- Счетчики кадров: Количество кадров из 150, на которых зафиксирована каждая из поз («стоит», «сидит», «лежит») и каждое из событий («пьет», «обнимается», «любопытствует»).

- Производные индикаторы: Бинарные флаги (0/1) для состояний «ест», «пьет», «контакт» и «бездействие».

- Итоговое состояние: Единая метка класса («бездействие», «активное», «прием пищи», «питье», «контакт»), присвоенная по принципу большинства кадров за минуту.

Пример строки из такого временного ряда может выглядеть следующим образом: метка времени, указывающая на 08:00 утра в термонейтральных условиях. Значение потребления корма равно нулю. Счетчики кадров показывают, что свинья 106 кадров стояла, 25 кадров сидела, 18 лежала, а на 75 кадрах зафиксировано событие «питье». На основе порогового значения срабатывает индикатор «пьет» (значение 1), а итоговым состоянием за эту минуту присваивается «питье». Следующая минута может демонстрировать 150 кадров позы «лежа», что активирует индикатор «бездействие».

Представленный набор данных обладает высокой ценностью по ряду причин:

1. Долгосрочный и непрерывный характер: 16 дней непрерывного наблюдения с высоким временным разрешением позволяют изучать не только острую реакцию на тепловой стресс, но и динамику адаптации к нему на протяжении почти недели.

2. Индивидуальные различия: Данные по 24 отдельным животным дают возможность изучать межиндивидуальную вариабельность поведенческих стратегий выживания в условиях теплового стресса. Это критически важно для селекции на стрессоустойчивость.

3. Верифицированное качество: Тщательная проверка на согласованность с данными автоматических кормушек и логический контроль повышают достоверность поведенческих меток.

4. Двойное назначение обучающей выборки: Размеченный набор изображений позволяет использовать его для обучения других архитектур компьютерного зрения, а не только YOLO.

5. Количественная оценка поведенческого сдвига: Анализ данных позволяет статистически подтвердить, что при тепловом стрессе у свиней наблюдаются значимые изменения: увеличивается время, затрачиваемое на питье, меняется структура социальных взаимодействий (частота «обнимашек» и проявления любопытства), снижается кормовая активность. Эти сдвиги могут служить количественными критериями для автоматизированных систем оценки благополучия.

Заключение

Объединение непрерывного видеомониторинга и передовых методов глубокого обучения, таких как YOLOv11, открывает новые перспективы для изучения поведения сельскохозяйственных животных. Представленный в работе набор данных является примером такого симбиоза, предоставляя научному сообществу ценный ресурс для анализа поведенческой адаптации свиней к тепловому стрессу. Возможность количественной оценки временного бюджета, выявления индивидуальных стратегий выживания и верификации данных с помощью независимых сенсоров (автоматических кормушек) закладывает основу для создания интеллектуальных систем поддержки принятия решений на фермах. Такие системы смогут в реальном времени сигнализировать о начале теплового дискомфорта, позволяя оперативно принимать меры по корректировке микроклимата и тем самым повышать уровень благополучия и продуктивности животных в условиях меняющегося климата. Дальнейшее развитие этого направления связано с усложнением распознаваемых паттернов поведения и интеграцией поведенческих данных с физиологическими показателями.

Источник: Animal